Los métodos actuales de Identificación Específica de Emisores (SEI) basados en el aprendizaje profundo (DL) dependen en gran medida del entrenamiento de grandes cantidades de datos etiquetados durante el proceso de formación. Sin embargo, la falta de datos etiquetados en una aplicación real podría llevar a una disminución en el rendimiento de identificación del método. En este documento, proponemos un método auto-supervisado a través del aprendizaje por contraste (SSCL), que se utiliza para extraer características de huellas dactilares a partir de datos no etiquetados. El método propuesto utiliza grandes cantidades de datos no etiquetados para constituir pares positivos y negativos mediante el diseño de una composición de operaciones de aumento de datos para señales de emisores. Luego, los pares se introducirían en la red neuronal (NN) para la extracción de características, y se introduce una función de pérdida contrastiva para impulsar a la red a medir la similitud entre los datos. Finalmente, el modelo de identificación puede completarse fijando los parámetros de la red de extracción de características y ajustándolos con unos pocos datos etiquetados. El resultado del experimento de simulación muestra que, después de ser ajustado, el método propuesto puede extraer efectivamente características de huellas dactilares. Cuando la relación señal-ruido es de 20 dB, la precisión de identificación alcanza el 94.45%, que es mejor que los enfoques actuales de DL más comunes.